I.5 Signaux observés
I.5.1 Interférences atomiques
O mapeamento dos OA de um determinado curso com o perfil do aluno foi realizado com recurso ao Plug-in Fuzzy Logic Toolbox (Matlab, 2011) utilizado pela aplicação MatLab R2011a. Este Plug-in utiliza a Fuzzy Control Language (FCL) na implementação do modelo difuso, que depois de exportado para um ficheiro com extensão .fcl pode ser importado para um outro projeto. Este ficheiro contém informações tais como regras, variáveis e respetivos domínios do modelo difuso. A Figura 45 apresenta uma captura de ecrã do ambiente de desenvolvimento com o projeto do módulo STI onde se encontra o ficheiro ILS.fcl que possui o modelo difuso utilizado na plataforma ADAPT. De modo a interpretar a FCL foi necessário importar também para o projeto o conjunto de bibliotecas jFuzzyLogic que possui vários recursos relacionados com lógica difusa.
Figura 45 - Ficheiro .fcl com o modelo difuso utilizado no ADAPT.
Para cada uma das dicotomias de cada dimensão resultantes do questionário ILS de Felder- Soloman, foi criada uma variável, o que origina um sistema com 8 variáveis de entrada: Ativo, Reflexivo, Sensorial, Intuitivo, Visual, Verbal, Sequencial e Global. Sendo o objetivo efetuar o mapeamento com a classificação VARK, as variáveis de saída do sistema são caracterizadas por cada uma das dimensões: Visual, Auditivo, Leitura/Escrita e Cinestésico.
ADAPT – Plataforma Adaptativa de Ensino à Distância
126
Figura 46 - Sistema Difuso utilizado na plataforma ADAPT (MatLab, 2011).
Para as variáveis de entrada e de saída definiram-se os seguintes termos linguísticos: Muito Fraco, Fraco, Médio, Forte e Muito Forte. Relativamente aos domínios definiu-se que as variáveis de entrada possuem um domínio compreendido entre [1, 11] e as variáveis de saída possuem um domínio de [1, 100]. A Figura 47 ilustra a variável Ativo e respetivas funções de pertença.
Figura 47 - Variável Ativo e respetivas funções de pertença (MatLab, 2011).
As regras de inferência do sistema difuso são expressas através de implicações do tipo: Se (antecedente) Então (consequente). No antecedente podem figurar conjunções e disjunções de termos linguísticos.
ADAPT – Plataforma Adaptativa de Ensino à Distância
O sistema difuso da plataforma possui um total de 75 regras. A Figura 48 apresenta cinco dessas regras.
R1. SE (Ativo é Muito-Forte) E (Reflexivo é Médio) ENTÃO (Leitura/Escrita é Forte)(Cinestésico é Forte)
R2. SE (Ativo é Muito-Forte) E (Reflexivo é Fraco) ENTÃO (Leitura/Escrita é Fraco)( Cinestésico é Muito-Forte)
R3. SE (Sensorial é Médio) E (Intuitivo é Muito-Forte) ENTÃO (Visual é Médio)(Leitura/Escrita é Muito-Forte)
R4. SE (Visual é Fraco) E (Verbal é Forte) ENTÃO (Auditivo é Forte) R5. SE (Visual é Fraco) E (Verbal é Médio) ENTÃO (Auditivo é Fraco)
Figura 48 - Exemplo de regras do sistema difuso.
Conforme referido, optou-se por escolher a inferência de Mamdani pelo fato de possuir uma representação mais intuitiva e consequentemente mais fácil de entender e de manter. A inferência de Sugeno possui um processamento com melhor desempenho (Jassbi et al., 2006), sendo por isso bastante utilizada em sistemas de controlo. Pelo facto do pretendido neste projeto não ser a realização de um controlador, mas sim de um sistema que ocasionalmente determine o grau de pertença de um aluno às dimensões do modelo de estilo de aprendizagem escolhido, não se optou pela inferência de Sugeno.
De forma a exemplificar o modo de funcionamento do sistema difuso, dá-se em seguida um exemplo do mapeamento de conteúdos efetuado através de inferência difusa num aluno cujas respostas ao questionário tiveram como resultado o seguinte perfil: Ativo=10; Reflexivo=5; Visual=4; Verbal=9; Sensorial=2; Intuitivo=8; Sequencial=1; Global=11.
A primeira etapa é a fuzificação e consiste em determinar o grau de pertença das variáveis de entrada a cada um dos conjuntos difusos.
A Figura 49 representa linhas verticais traçadas a partir dos valores numéricos das variáveis de entrada, que intercetam as funções de pertença dos diversos termos linguísticos. Por exemplo, para a variável Ativo o valor 10 a que correspondem valores aproximados de Ativo(0.7) para as regras R1 e R2, e Ativo(0) para as restantes.
ADAPT – Plataforma Adaptativa de Ensino à Distância
128
Figura 49 - Processo de inferência difusa (MatLab, 2011).
A etapa seguinte é o processo de inferência que restringirá a função de pertença do consequente através do seu corte pelo valor de µ para o antecedente de cada regra.
Por isso, e tendo a regra R1 como exemplo, os seus antecedentes possuem o operador (E), o que significa que é considerado o menor grau de pertença do μ dos seus termos linguísticos. Como os seus antecedentes Ativo(0.7) e Reflexivo(0.7) possuem ambos o mesmo valor μ=0.7 é este o valor passado para a variável linguística de saída. No caso da regra R2 com os antecedentes de Ativo(0.7) e Reflexivo(0.5) e também com o operador (E) nos antecedentes, é passado para a variável linguística de saída μ=0.5 por ser o menor grau de pertença.
A próxima etapa é a agregação e consiste em agregar todas as funções de pertença dos consequentes de cada regra num único conjunto difuso (Figura 50).
Figura 50 - Conjunto difuso resultante do processo de agregação (MatLab, 2011).
Depois de se obterem as funções de saída, segue-se a “desfuzificação”, em que foi utilizado o método centroid conforme a equação (7) na secção 4.1.5.4.
O resultado obtido através da utilização do método centroid nas funções de saída (Figura 50) é: Visual: 37,50; Auditivo: 75,47; Leitura/Escrita: 57,68 e Cinestésico: 76,86.
ADAPT – Plataforma Adaptativa de Ensino à Distância
O passo final consiste em escolher o OA mais adequado e é efetuado comparando este resultado com as características pertencentes ao OA presente num dado ponto do guião. O calculo é efetuado com a função de avaliação:
𝐹 =|𝑉𝑓 −𝑉𝑂𝐴| × 𝑊𝑉 + |𝐴𝑓−𝐴𝑂𝐴| × 𝑊𝐴 + |𝑅𝑓 −𝑅𝑂𝐴| × 𝑊𝑅 + |𝐾𝑓 −𝐾𝑂𝐴| × 𝑊𝐾 𝑊𝑉 + 𝑊𝐴 + 𝑊𝑅 + 𝑊𝐾
onde:
Vf: valor da preferência difusa Visual do aluno Af: valor da preferência difusa Aural do aluno Rf: valor da preferência difusa Read/Write do aluno Kf: valor da preferência difusa Kinesthetic do aluno VOA: valor da preferência Visual do OA
AOA: valor da preferência Aural do OA
ROA: valor da preferência Read/Write do OA
KOA: valor da preferência Kinesthetic do OA
WV: Peso da preferência Visual WA: Peso da preferência Aural WR: Peso da preferência Read/Write WK: Peso da preferência Kinesthetic
Os coeficientes WV, WA, WR, WK são utilizados para atribuir um peso maior à preferência VARK dominante.
Se por exemplo um OA tiver as preferências: Visual: 25,5; Auditivo: 37,2; Leitura/Escrita: 11,2; Cinestésico: 54,5 e assumindo WV= WA= WR= WK = 1 é o seguinte:
𝐹 =|37,5 − 25,5| × 1 + |75,47 − 37,2| × 1 + |57,68 − 11,2| × 1 + |76,86 − 54,5| × 1 1 + 1 + 1 + 1
𝐹 = 29,885
Neste exemplo, o OA em questão é apresentado ao aluno se não existir no mesmo nó um outro OA para o qual esta função de avaliação retorne um valor mais baixo.
6.6 Raciocínio Baseado em Casos
O processo de aquisição de conhecimento pelo sistema RBC da plataforma foi efetuado em diferentes alturas através de diferentes métodos. Numa fase inicial, e de modo a que o sistema RBC pudesse entrar em funcionamento, foram introduzidos na biblioteca casos criados manualmente. Estes casos, denominados “seed cases”, foram também úteis numa fase em que foi necessário a realização de testes funcionais à plataforma. De modo a permitir que a plataforma adquirisse casos com maior qualidade, esta foi disponibilizada a um grupo de alunos inscritos na unidade curricular de Sistemas Digitais pertencente ao Curso de Especialização
ADAPT – Plataforma Adaptativa de Ensino à Distância
130
DEIS/ISEC. No contexto da plataforma ADAPT, um caso é representado pela sequência dos OA percorrido pelo aluno, pelo resultado obtido na avaliação final e pelo seu estilo de aprendizagem. Como mencionado anteriormente o paradigma RBC é constituído por quatro etapas. De seguida apresentam-se estas etapas no contexto da plataforma ADAPT:
1) Recuperação
A tarefa principal do processo de recuperação é obter da base de casos o exemplo mais similar ao problema atual. Para esse efeito, efetua-se uma consulta que descreve o problema de acordo com uma medida de similaridade entre os atributos que formam o conjunto dos índices do novo problema e o caso recuperado (Wangenhein, 2000). A indexação corresponde ao processo de catalogação de informação e tem como objetivo facilitar o processo de pesquisa.
No contexto da plataforma ADAPT, a biblioteca de casos é constituída por tabelas existentes na base de dados e os índices são aplicados em vários campos dessas tabelas. Os campos das tabelas da base de dados que foram indexados foram os seguintes:
Vark - visual, aural, readwrite, kinesthetik;
Navegacalog - idNavegacaoLog, idUtilizador, idOA, idGuiao, idNo; UtilizadorAvaliacaoFinal - classificacao;
OA - visual, aural, readwrite, kinesthetik.
Os índices criados nas respetivas tabelas da base de dados são ilustrados na Figura 51.
ADAPT – Plataforma Adaptativa de Ensino à Distância
Depois da indexação, o conceito de medida de similaridade é essencial no processo de pesquisa de casos na biblioteca de casos. Estando a biblioteca de casos inserida na base de dados, no desenvolvimento da plataforma optou-se por efetuar a recuperação de casos de forma ordenada através de uma query efetuada à base de dados. Esta técnica denominada de Order-based retrieval consiste numa abordagem com aplicação em sistemas de recomendação (Bridge e Ferguson, 2002). Este método efetua uma consulta, expressa através de uma query em linguagem SQL, para definir e combinar relações com base em critérios de ordenação. O resultado desta consulta tem como finalidade a recuperação dos casos ordenados parcialmente. Esta técnica aplicada na plataforma ADAPT traduz-se na recuperação de casos através de uma query SQL (Figura 52) sendo agrupados pelos critérios de ordenação: distância linear entre as preferências VARK do aluno com a totalidade dos OA do guião (distância global) e a classificação final do aluno.
Figura 52 - Query sql utilizada no retorno de casos da biblioteca de casos.
O valor da distância global calcula-se usando a equação (15) incluída na própria query realçada, como ponto 1, na Figura 52. Para implementar as equações (15) e (16) foram utilizadas as funções SUM(), ABS() e COUNT() existentes na linguagem SQL e que permitem efetuar o calculo de um somatório, módulo e contagem, respetivamente.
ADAPT – Plataforma Adaptativa de Ensino à Distância
132
FDG = 𝐹 𝑛 𝐹 = ∑|𝑉𝑓 − 𝑉𝑖𝑂𝐴| × 𝑊𝑉 + |𝐴𝑓 − 𝐴𝑖𝑂𝐴| × 𝑊𝐴 + |𝑅𝑓 − 𝑅𝑖𝑂𝐴| ×𝑊𝑅+ |𝐾𝑓 − 𝐾𝑖𝑂𝐴| × 𝑊𝐾 𝑊𝑉 + 𝑊𝐴 + 𝑊𝑅 + 𝑊𝐾 𝑛 𝑖=1De seguida descrevem-se os símbolos utilizados nas equações (15) e (16): Vf: valor da preferência difusa Visual do aluno
Af: valor da preferência difusa Aural do aluno Rf: valor da preferência difusa Read/Write do aluno Kf: valor da preferência difusa Kinesthetic do aluno ViOA: valor da preferência Visual do OA
AiOA: valor da preferência Aural do OA
RiOA: valor da preferência Read/Write do OA
KiOA: valor da preferência Kinesthetic do OA
WV: Peso da preferência Visual WA: Peso da preferência Aural WR: Peso da preferência Read/Write WK: Peso da preferência Kinesthetic
n: N.º de OA existentes no caso
i: Índice do OA a ser analisado F: Função de Avaliação
FDG: Distância global entre o perfil VARK do aluno e as características VARK dos OA pertencentes ao
guião
Os coeficientes WV, WA, WR, WK são utilizados para atribuir um peso maior à preferência VARK dominante.
A Figura 53 exemplifica o resultado da query apresentada na Figura 52. Como se pode observar os casos obtidos estão ordenados de forma ascendente pela distância global e descendente pela nota obtida no final do curso. O resultado da query inclui os seguintes atributos: o id do aluno (coluna idUtilizador); as preferências VARK do aluno (colunas: visual, aural, readwrite, kinesthetic); a classificação obtida no final do curso (coluna: classificacaoCurso) e a proximidade VARK do guião com o perfil VARK do aluno (coluna: DistanciaGlobal). É de referir que por uma questão de apresentação não estão ilustrados na Figura 53 os OA pertencentes a cada um dos casos.
(15)
ADAPT – Plataforma Adaptativa de Ensino à Distância
Figura 53 – Exemplo do resultado de uma pesquisa de casos.
2) Reutilizaçao
O processo de reutilização no ciclo CBR é responsável por propor uma solução para um novo problema a partir das soluções existentes nos casos recuperados.
Na maioria das situações, reutilizar um caso consiste em devolver a solução recuperada, inalterada, como a solução proposta para o novo problema. Contudo, em situações em que existem diferenças significativas entre o novo problema e o caso recuperado, a solução recuperada pode precisar de ser adaptada.
O processo de verificação que analisa a necessidade de uma solução ter que ser adaptada é efetuado pela equação (15).
Em situações em que o grau de similaridade da solução seja muito distante e ultrapasse um certo limite previamente definido, é executado o algoritmo genético (secção 6.7) de modo a que este proceda à otimização da solução. Este limite é definido programaticamente no módulo de algoritmos genéticos. Como possível exemplo podem considerar-se as preferências VARK do perfil do aluno e dos OA expressas no intervalo [1, 100]. Se FDG = 30, e o limiar de distância for L=25, a partir do qual o AG seria chamado, então o módulo com o algoritmo genético seria chamado para proceder a uma otimização do guião, ou seja, para realizar uma adaptação da
ADAPT – Plataforma Adaptativa de Ensino à Distância
134
3) Revisão
O objetivo da fase de revisão consiste em efetuar a avaliação da solução criada na fase anterior. A avaliação pode ser efetuada por um utilizador do sistema, por meio de uma simulação ou através da aplicação da solução num ambiente real.
Na plataforma ADAPT a fase de revisão pode ser feita por um professor com conhecimento específico do domínio, em que através de uma interface gráfica tem a possibilidade de avaliar a solução, medir a sua qualidade, efetuar as alterações e reparos que entender. A verificação final da solução é completada, naturalmente, durante a execução ou término do guião. Apenas as soluções marcadas pelo professor como válidas são utilizáveis.
4) Retenção
A fase de retenção completa o ciclo RBC e constitui o processo em que a solução é incorporada na biblioteca de casos para futura utilização. É nesta fase que o sistema RBC “aprende”. Terminada a execução de um guião, este é potencialmente armazenável. No entanto, para isso tem que ser explicitamente validado pelo professor, ou corresponder a um caso de sucesso de um aluno. Naturalmente que ao longo do tempo serão gerados casos que não têm interesse em ser armazenados. Exemplos possíveis são aqueles em que o aluno obteve uma má avaliação final ou casos repetidos porque foram sugeridos com base em casos anteriores sem ter havido necessidade de efetuar qualquer adaptação. Para lidar com situações deste tipo a plataforma ADAPT possibilita a manutenção de casos armazenados.